基于RIS辅助的感知系统及DOA估计方法

技术领域

本发明涉及通信技术领域，特别涉及一种基于RIS辅助的感知系统及DOA估计方法。

背景技术

基于智能超表面(reconfigurable intelligent surface,RIS)辅助的感知技术是提高第六代(sixth-generation,6G)通信传输速率和可靠性的关键技术之一。利用感知系统，我们可以通过波达角(Direction of Arrival,DOA)估计快速定位用户，实现波束对准，减少路径损耗。

传统的感知系统是基于雷达的，存在硬件成本高的问题，而无设备感知以其高效、低成本的优势吸引了更多的关注。因此基于RIS的被动感知技术被广泛研究，用于在感知系统中重建信号传播环境。RIS是由大量无源可重构元件组成，每个元素都可以通过使用控制器来独立控制入射电磁波的相位、幅度和频率，并且每个元素编码的设计方法已经被广泛提出。与使用高功耗和高硬件成本移相器的传统相控阵不同，RIS具有低成本和低复杂度的优点。特别是当直达路径被阻挡时，RIS可以提供反射路径来增强通信覆盖。也正因RIS对电磁波的控制能力，RIS辅助的感知系统可用于实现目标的DOA估计，如申请号为CN202210336575.5的发明专利即公开了一种无人机搭载智能反射面的目标测向方法。

经典的DOA估计算法，例如(Multiple Signal Classification,MUSIC)算法是利用噪声子空间和信号子空间的正交性来估计DOA，而Capon算法是基于波束形成来寻找功率的极值。为了提高DOA估计的性能，基于空间域信号稀疏性的压缩感知方法也被提出，例如正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法，原子范数最小化(Atomic NormMinimization,ANM)算法等。当将RIS应用于感知系统时，相应DOA估计方法也被提出，如申请号为202210793654.9的发明专利即公开了一种基于智能反射面的无源被动感知设备与方法。例如在RIS辅助的MIMO系统中，提出了一种非迭代的两阶段框架算法用于信道估计，即采用深度网络架构SBLNet来估计二维波达方向和极化参数。

然而，传统的DOA估计模型不适用于RIS辅助感知系统，因为天线接收到的信号幅度与相位都经RIS调制过。当RIS在实测时对信号的反射相位存在误差，且难以通过理论或实测的方法得到确切数值时，现有的DOA估计方法例如ANM算法无法直接在所述系统中有效估计DOA。

发明内容

本申请通过提供一种基于RIS辅助的感知系统及DOA估计方法，解决了现有技术中传统的感知系统硬件成本过高，且现有的DOA估计方法无法直接在RIS辅助感知系统中有效估计DOA的问题，降低了感知系统的成本和复杂度，并实现有效的DOA估计。

本申请实施例提供了一种基于RIS辅助的感知系统，包括：

信号源，用以发射信号；

RIS，包括呈阵列分布的多个反射单元，多个所述反射单元均用以反射所述信号；

控制单元，分别与多个所述反射单元电讯连接，所述控制单元用以控制各所述反射单元的反射相移；

接收单元，用以接收并传递所述RIS反射的所述信号；

处理器，分别与所述控制单元和所述接收单元电讯连接，所述处理器用以控制所述控制单元对所述RIS进行调控，还用以接收并处理所述接收单元传递的所述信号。

上述实施例的有益效果在于：本基于RIS辅助的感知系统，具有低成本、低复杂度的优点，同时当信号发射和接收之间被遮挡时可提供一个反射路径，从而扩大覆盖面积。

在上述实施例基础上，本申请可进一步改进，具体如下：

在本申请其中一个实施例中，所述反射单元包括地层和安装于所述地层上的两个金属贴片，两个所述金属贴片分别设置有金属化过孔，两个所述金属贴片之间通过变容二极管连接，所述变容二极管与所述控制单元电讯连接。控制单元控制变容二极管的导通或截止来实现RIS反射单元对信号的控制。

在本申请其中一个实施例中，所述控制单元为FPGA芯片，所述处理器通过控制所述FPGA芯片的输出电压来控制各所述反射单元。处理器PC通过控制FPGA电压输出控制RIS各反射单元，对反射信号的相位进行调控，当FPGA提供高电压，二极管导通，此时单元对入射信号产生“0”相移；当FPGA提供0V电压时，二极管截止，此时单元对入射信号产生“π”相移；例如预先设置“01001100”、“11011011”等码序列，由FPGA产生相应的电压，提供给RIS上的变容二极管，在不同的模式下产生不同的相移，从而实现多次测量。

在本申请其中一个实施例中，所述信号源为喇叭天线，所述接收单元为接收天线。

本申请实施例还提供了一种基于前述感知系统的DOA估计方法，包括以下步骤：

S1：根据预设的接收信号模型接收经所述RIS反射的接收信号数据；

S2：通过ANM方法对所述接收信号数据进行处理，获得估计谱数据，将所述估计谱数据输入GAN网络训练，扩增所述估计谱数据；

S3：利用所述估计谱数据训练并测试预构建的DOAnet神经网络；

S4：获取目标的所述接收信号数据并通过所述DOAnet神经网络获取目标的DOA估计值。

在本申请其中一个实施例中，所述步骤S1中所述接收信号模型为：

其中，Yp为第p次测量下的接收信号模型，

在本申请其中一个实施例中，所述步骤S2中所述估计谱数据包括幅度-角度谱数据。

在本申请其中一个实施例中，所述步骤S3中，所述DOAnet网络结构由卷积层、激活函数层、池化层和全连接层组成。

上述实施例的有益效果在于：基于RIS辅助的低成本、低复杂度感知系统，并提出一种可用于所述感知系统的DOA估计方法，实现有效的DOA估计，从而快速定位用户，实现波束对准，减少路径损耗。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为实施例1中的基于RIS辅助的感知系统的模型示意图；

图2为实施例1中的RIS的结构示意图；

图3是实施例2中的DOA估计方法的流程图；

图4是实施例2中RIS接收、反射信号的坐标系示意图；

图5是实施例2中估计谱数据示例图；

图6是实施例2中用于数据样本扩增的GAN网络结构示意图；

图7是实施例2中的ANM-DOAnet结构示意图；

图8是实施例3中的基于RIS辅助的感知系统原理样机示意图；

图9是实施例3中目标DOA估计结果示意图。

其中，1.信号源、2.RIS、21.地层、22.金属贴片、23.金属化过孔、24.变容二极管、3.控制单元、4.接收单元、5.处理器。

具体实施方式

下面结合具体实施方式，进一步阐明本发明，应理解这些实施方式仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本发明描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

本申请实施例通过提供一种基于RIS辅助的感知系统及DOA估计方法，解决了现有技术中传统的感知系统硬件成本过高，且现有的DOA估计方法无法直接在RIS辅助感知系统中有效估计DOA的问题，降低了感知系统的成本和复杂度，并实现有效的DOA估计。本申请实施例中的技术方案为解决上述问题，总体思路如下：

实施例1：

如图1-2所示，一种基于RIS辅助的感知系统，包括：信号源1、RIS2(智能超表面)、控制单元3、接收单元4和处理器5。

信号源1用以发射信号；RIS2包括呈阵列分布的多个反射单元，多个反射单元均用以反射信号，反射单元包括地层21和安装于地层21上的两个金属贴片22，两个金属贴片22分别设置有金属化过孔23，两个金属贴片22之间通过变容二极管24连接，变容二极管24与控制单元3电讯连接，控制单元3控制变容二极管24的导通或截止来实现RIS2反射单元对信号的控制。

控制单元3分别与多个反射单元电讯连接，控制单元3用以控制各反射单元的反射相移；接收单元4用以接收并传递RIS2反射的信号；处理器5分别与控制单元3和接收单元4电讯连接，处理器5用以控制控制单元3对RIS2进行调控，还用以接收并处理接收单元4传递的信号。

进一步的，处理器5为PC计算机，控制单元3为FPGA芯片，FPGA以行为单位控制对应各反射单元，处理器5通过控制FPGA芯片的输出电压来控制各反射单元。

进一步的，信号源1为喇叭天线，接收单元为接收天线。

实施例2：

如图3所示，一种基于实施例1的感知系统的DOA估计方法，包括以下步骤：

S1：根据预设的接收信号模型接收经RIS反射的接收信号数据；

其中接收信号模型具体设立方式如下：

考虑远场信号模型，RIS有M

其中

其中λ为工作波长。每个单元对入射波产生的总相移可表示为：

其中

其中h

其中d和N表示接收天线的阵元间距和阵元数。

则第p次测量下的接收信号模型为：

其中

然而，相位矩阵

S2：通过ANM方法对接收信号数据进行处理，获得估计谱数据，将估计谱数据输入GAN网络训练，扩增估计谱数据；

具体为：

S2.1通过ANM方法对接收信号Yp进行处理得到估计谱数据，估计谱数据作为GAN网络的基础数据；

如图5所示，在方位角为-45°时，进行五次测试得到的谱数据结果，纵坐标即表示幅度，横坐标表示角度。从5次测量结果可以看到在相同角度下，通过ANM估计得到的估计谱具有一致性。

S2.2GAN网络如图6所示，生成器(Generator)用于产生具有随机噪声输入的伪数据(在估计谱数据基础上生成类似数据)，生成的合成数据(Fakedata)与基础数据(Basedata)具有相同的分布，两者都放入鉴别器(Discriminator)经判断为“真”或“假”。通过对GAN的训练，生成的数据变得更加真实，使得鉴别器无法区分伪数据和真实数据。通过此方法对样本估计谱数据进行扩增，为后续提供足够的数据集。

S3：利用所述估计谱数据训练并测试预构建的DOAnet神经网络；

DOAnet神经网络结构如图7所示，该结构由卷积(Conv)层、激活函数(ReLU)层、池化(Pooling)层和全连接(FC)层组成。

输入样本s

其中L

将得到的谱数据80％划为训练集，20％划为测试集。首先对网络进行权值的初始化，输入数据经过卷积层(Conv)、激活函数(ReLU)层、池化层(Pool)、全连接层(FC)的向前传播得到输出值，求出网络的输出值与目标值之间的误差。当误差大于我们的期望值时，将误差传回网络中，重新计算更新权值；当误差等于或小于我们的期望值时，结束训练。

S4：获取目标的接收信号数据并通过DOAnet神经网络获取目标的DOA估计值。

前述示例中假设发射天线和RIS间的相对高度固定只是为了简化，并且设计的RIS是每一行由一个管脚控制的，在俯仰方向并不产生相位调控，因此发射天线和RIS之间的高度并不影响DOA估计。

如若发射天线和RIS间的相对高度未知的话，式(6)中会有两个未知变量，但通过大量数据训练的DOAnet神经网络，仍可获取目标的DOA估计值。

实施例3：

在实施例1基础上，在微波暗室条件下搭建原理样机如图8所示，喇叭天线作为发射端发射2.45GHz信号，在远场距离下放置RIS及4阵元的接收天线；将接收天线接收到的信号用实施例2所述ANM-DOAnet方法进行DOA估计，并输出角度估结果如图9所示，估计出的角度参数约为30.1°，与实际值30°吻合。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

(1)考虑传统相控阵硬件成本高的问题，设计的一种基于RIS辅助的低成本、低复杂度感知系统，通过连续控制改变RIS反射幅度和相位，可实现DOA估计及多次测量。

(2)考虑RIS对信号反射的幅度、相位控制，在该系统下建立实际接收信号模型，并提出一种基于ANM-DOAnet结构的DOA估计算法，可快速获取目标的DOA估计值，通过DOA估计快速定位用户，实现波束对准，减少路径损耗。该DOA估计方法适用于RIS反射相位存在误差的情况。为减少工作量，采用基于GAN网络的数据扩增方法，将数据样本进行扩增用于ANM-DOAnet网络训练。

(3)搭建基于RIS辅助的感知系统原理样机，实测目标回波数据，并实现高精度的DOA估计。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。